
本期信熹研究将系统探讨眼动追踪技术。首先概述其发展历程与核心产品(硬件与软件),并重点分析其在学术研究、XR/AI眼镜及汽车领域的应用前景。随后,报告将深入剖析视频眼动记录(VOG)、眼电图(EOG)等主流技术方案与前沿创新,并探讨其在精度、校准与个体差异等方面面临的技术挑战与壁垒。最后,我们将梳理行业主要参与者与竞争格局,并对技术发展进行总结与展望。
一、概述
1.1 | 发展历程
眼动追踪(Eye Tracking)技术是一种测量眼睛注视点和眼球运动的技术。眼睛是心灵的窗户,人所接收到的外界信息有80%来自于眼睛所建立的视觉通道,同时人在进行思维或心理活动时会将其活动过程反映在眼动行为上。可以说,眼动追踪技术是当前科技允许的条件下,透视人类思维的最为直观有效的途径。其发展历程可追溯至19世纪末。
1879年,法国眼科医生Louis Émile Javal首次观察到,人们在阅读时眼球并非平滑移动,而是以一系列跳跃与停顿的方式进行,他将这种现象命名为“眼跳”(saccades)和“注视”(fixations)。受制于当时技术条件,这些现象只能通过肉眼观察。
1908年,美国心理学家Edmund Huey发明了一种特殊的隐形眼镜:镜片中央开有小孔,并与一根指针相连,从而能够精确记录眼球运动。借助该装置,人们进一步发现,在阅读过程中,一些词汇实际上并未被直接注视。不过,这种方法等同于在眼球上直接安装机械装置,佩戴体验极差。
1937年,美国心理学家Guy Thomas Buswell发明了全球首台非侵入式眼动仪(如图1所示)。其原理是利用光束照射眼睛,再通过胶卷记录反射光线的位置,以此推算注视点,大大改善了实验的舒适性与可操作性。

图1 | 第一台非侵入式的眼动仪
(来源:网络[2])
在2000年以前,眼动追踪技术主要应用于生理学、心理学和眼科学相关学术研究领域,用于探究人类眼睛的工作机制,以及人是如何在有意识和无意识的情况下处理信息的。
2000年至2020年,随着IT产业的崛起与互联网经济的繁荣,注意力经济(“眼球经济”)逐渐兴起。伴随设备的小型化与轻量化,眼动追踪技术被广泛应用于网页优化、广告营销和用户行为研究等场景。
2020年以后,应用领域进一步拓展,特别是在XR(扩展现实)设备中开始深度集成眼动追踪功能。代表性产品包括微软的AR眼镜 HoloLens 2和广泛应用于科研的 HTC VIVE Pro Eye(均发布于2019年),它们标志着眼动追踪正式进入新一代人机交互平台。

图2 | 眼动追踪应用的发展历程
(来源:网络[3])
1.2 | 产品简介
1.2.1 | 硬件产品形态
眼动追踪常见的产品形态主要包括四类,如图3所示:
1) 遥测式眼动仪:无需被试佩戴设备,支持一定范围内自由移动,并可实现多人同步研究,常用于驾驶行为、飞行员操作、疲劳检测、DMS标定及安全监控等场景。
2) 桌面式眼动仪:固定于屏幕下方,被试无需佩戴设备,适合在屏幕上呈现图像、文字、网页等刺激,广泛应用于视觉注意力、孤独症研究、语言阅读及交互设计分析。
3) 可穿戴式(眼镜式)眼动仪:适合自由移动及真实场景下的操作记录,可用于运动员注意力、驾驶与飞行行为、消费行为及移动应用设计等研究。
4) 虚拟现实眼动仪:结合虚拟现实与动作捕捉技术,可在高风险或难以构建的实验环境中进行研究,典型应用包括建筑环境模拟、虚拟现实游戏与人机交互分析。

图3 | 不同类型的眼动仪
(来源:网络,信熹资本重绘)
1.2.2 | 眼动分析软件
除了硬件产品以外,眼动分析软件也是重要组成部分。各家创业公司或研究机构在如图4所示的十个常用指标里进行数据的收集和判断,形成自己的核心竞争力。包括:注视眼跳、瞳孔、眨眼、轨迹图、热点图、兴趣区统计和序列分析、首次注视时间和注视时间。
这十大核心指标所形成的眼动追踪分析系统重点是在注视点的分析和AOI的序列分析。AOI序列的判断受很多因素的影响,影响最大的两个就是被试者难以穷尽且不同场景识别难度不同,所以研究方向集中在HCI人机交互的领域。通过分析AOI序列,可以得知人机交互界面是否能够为用户提供顺畅的交互,以及提取多人的典型视觉加工路径,进行任务信息界面的合理性优化。

图4 | 眼动追踪分析的十个常用指标
(来源:网络[4])
1.3 | 应用场景
1.3.1 | 研究
2024年使用Tobii眼动追踪技术的研究出版物分布情况如图5所示,心理学和神经科学是最早应用眼动追踪技术的研究领域,通过分析人类行为与视觉注意来推动学科发展,如今仍是眼动追踪技术的核心应用方向,相关出版物占比达38%。人因工程是眼动追踪技术的第二大研究领域,其核心是将人类行为特征融入技术研究,遵循“人在回路”的研究范式。这两个领域都具有广泛的研究维度,并衍生出多个细分方向。

图5 | 2024年使用Tobii眼动追踪技术的研究出版物分布情况
(来源:《2024年度眼动研究报告》 Tobii [5])
心理学与神经科学研究领域的子领域分布情况如图6所示,认知研究探索大脑结构与功能如何影响知觉、记忆、决策等心理过程;临床研究聚焦精神与神经系统疾病的诊疗机制;发展研究追踪从婴幼儿到成年期的认知、社交与情感发展轨迹;语言与阅读研究关注语言理解与阅读的神经认知机制;社会研究探究社会环境中的个体感知与互动机制。

图6 | 心理学与神经科学研究领域的子领域分布情况
(来源:《2024年度眼动研究报告》 Tobii [5])
人因工程研究领域子领域分布情况如图7所示,包括人机交互、汽车研究、建筑与导航、工程建造、人机协作、医疗健康、航空航海等。

图7 | 人因工程研究领域子领域分布情况
(来源:《2024年度眼动研究报告》 Tobii [5])
眼动追踪在教育研究、消费者研究、医学研究、培训与评估、用户体验研究的应用示例如图8所示,分别展示了大学课堂学生注意力研究、在真实商店环境中的消费者购物决策研究、帮助身体残疾人士实现更便捷的沟通、帮助改善冰球运动击球技巧、ATM易用性研究。

图8 | 眼动追踪在教育研究、消费者研究、医学研究、培训与评估、用户体验研究的应用
(来源:网络[6],信熹资本重绘)
1.3.2 | XR/AI眼镜
一、 XR眼镜
眼动追踪技术与XR眼镜结合,可实现如图9所示的多种功能和应用。用户个体之间存在差异,通过眼动追踪实现辐辏调节、瞳距调节、屈光矫正等功能,可以使得产品与用户实现更好的适配,提升用户的使用体验。

图9 | 眼动追踪在XR眼镜的应用
(来源:《眼动追踪赋能智能眼镜,助力人机交互体验》 [7],信熹资本重绘)
1) 注视点渲染
伴随着VR设备分辨率及视场角的提升,全画幅的高清渲染对算力提出了极高的要求。采用注视点渲染就可以仅对用户注视的中心区域进行高精度渲染,而对其他区域进行低分辨率渲染,在降低GPU着色负载的同时保持高帧率,进而更好配置有限的算力资源,让用户获得出色体验。据VR陀螺,在Pico Neo 3 Pro Eye的硬件环境下,Tobii的动态注视点技术Tobii Spotlight能将帧率提高78%,一体机能耗降低10%。
2) 辐辏调节
当前的XR设备经常存在视觉辐辏调节冲突(VAC),即在长时间的XR环境中,由于用户眼睛的调节或聚集状态被XR设备光学系统驱动到了一个固定的距离,导致双眼视差与眼睛的聚散调节不一致,进而会导致用户人眼疲劳,甚至是恶心和头痛。加入眼动追踪后,一方面其可以用于模拟景深,实现用户眼睛焦平面之外的物体的模糊;另一方面通过配合变焦显示器,可以实现动态变焦,使得焦深与用户眼睛到物体的虚拟距离相匹配,实现沉浸式体验。
3) 瞳距调节
XR佩戴时,如果用户的双眼瞳孔中心、透镜中心、屏幕中心不在同一条直线,就容易出现重影、头晕、恶心等症状,因此需要进行瞳距(IPD)调节,使双眼瞳距和XR设备匹配。相较于手动IPD调节,基于眼动追踪的自动IPD调节更加精准。通过眼动追踪,XR设备可以精准测量用户的IPD,并通过系统自动调节镜头和显示器,使其自动适配人眼的最佳观看位置,让用户获得更加舒适的视觉效果。
4) 屈光矫正
眼动追踪系统可捕获视网膜上不同视觉深度图像的反射光影像,然后通过图像处理算法确定用户的光学屈光度处方,最后通过搭配变焦显示器即可投射适应用户眼球屈光度的影像,使得智能眼镜可以更好的适配近视/远视等人群。
5) 身份验证
由于虹膜特征具备唯一性、稳定性和高安全性。眼动追踪+虹膜识别可以实现账号登录、虹膜支付等功能。通过搭载虹膜识别算法,眼动追踪可以实现单设备、多用户的差异化账户配置。即不同的用户戴上XR设备时,系统可以匹配并调用该用户的账户信息、偏好设置和应用数据,提升XR设备使用的安全性和便捷性。
6) 人机交互
眼动追踪的交互模式下,用户可以通过视线移动来实现菜单控制、页面选择、上下文翻页等操作。此外,在VR 游戏中眼动追踪交互还可以代替传统手柄,实现视角切换和游戏互动,增强用户的沉浸感。
7) 虚拟社交
用户社交存在感的重要标志之一是生动而真实的“眼神”交流。眼动追踪通过模拟自然的目光接触和眼部运动,可以实现有效沟通和更强的真实存在感,减少“恐怖谷”(Uncanny Valley)效应。
8) 健康监测
眼球运动与大脑神经功能具有深度关联性,眼动追踪技术可以进行视觉健康和认知健康检测。眼球运动由前额叶皮层、顶叶、基底节等区域协同控制,若发生神经退行性疾病(如阿尔茨海默病、帕金森病)和精神疾病(如精神分裂症)时,上述脑区将容易受损,进而导致眼动模式异常。眼动追踪技术能够进行视觉健康检测和认知健康检测,例如:监督用户用眼时长、距离、疲劳度等,进行近视、弱视、斜视的预防检测;以及检测认知障碍,例如儿童多动症、自闭症;老年人认知障碍、老年痴呆;成年人抑郁症、精神分裂等。
二、 AI眼镜
在利用AI眼镜或AR眼镜搭载的前置摄像头进行多模态交互时,由于传统的图像识别场景中缺乏准确的指令,AI会将眼前所有的信息进行分析并一一列举,用户体验感较差。而眼动追踪模式下,AI无需分析整个画面内容,而是通过聚焦眼睛注视点所在的重点区域直接进行分析,实现真正的“所见即所需”,显著提升设备的交互效率和准确性,同时降低延迟和功耗(如图10所示)。

图10 | AI根据注视点进行对应分析
(来源:七鑫易维眼动仪视频号)
1.3.3 | 汽车
在汽车领域,通过眼球追踪技术一方面可以实时监测驾驶员视觉行为信息,建立更为安全可靠的车载驾驶员监测系统(DMS);另一方面可以结合抬头显示(HUD)等技术,助力车载交互系统多元化、智能化。以2025年2月比亚迪正式公开基于眼动跟踪的HUD技术专利为例来展示。
一、 HUD交互
传统HUD通常只投射车速、导航等基础信息,而比亚迪的创新方案通过集成眼动追踪传感器与AI算法,率先实现了“视线引导交互”:
1)场景化信息增强:当驾驶员注视后视镜区域时,HUD自动强化盲区预警提示;若视线转向道路前方,则突出显示车道偏离或行人识别信息,实现“视线落点即信息焦点”。
2)眼盒图标交互:引入类似计算机鼠标的“眼盒图标”,驾驶员通过视线移动即可操控HUD界面中的虚拟按钮(如亮度、高度调节),全程无需手动操作,彻底解放双手。
3)自适应显示优化:系统根据驾驶员坐姿、视线高度及眼部状态,实时调整HUD投射图像的位置、大小和倾斜角度,解决传统HUD因驾驶员身高差异导致的显示偏差问题。
二、 安全冗余
此次专利并非孤立创新,而是比亚迪“天神之眼”高阶智驾系统的关键延伸:
1)主动安全联动:当系统检测到驾驶员视线长时间偏离路面(如疲劳或分心),将自动触发天神之眼的紧急制动(AEB)或车道保持功能,结合其100km/h时速下的全域刹停能力,形成双重安全防护。
2)多模态交互生态:眼动追踪与天神之眼的语音助手、手势控制功能无缝融合,构建“眼+手+声”三位一体交互体系。例如,在高速领航模式下,若驾驶员视线切换至娱乐屏,系统将自动提升智驾接管灵敏度,确保行车安全。
二、眼动追踪的技术方案
2.1 | 视频眼动记录(VOG)
当前应用最广泛的眼动跟踪技术是基于视频眼动记录(Video Oculography, VOG)的非侵入式技术。其原理是利用视频摄像机记录眼球运动,并通过计算机自动分析图像,实现瞳孔中心定位或注视点估计。按相机数量又可分为单相机和多相机系统。单相机方法通常借助红外光源产生“暗瞳效应”,即瞳孔呈暗色、虹膜较亮,从而便于分割瞳孔区域以实现跟踪。多相机方法则提供更大的视野:一台相机用于采集眼部图像,其他相机可辅助头部定位或系统校准。
VOG中常用的一种方法是瞳孔-角膜反射法(Pupil Center Corneal Reflection, PCCR),代表厂家有Magic Leap、Digilens、Tobii、SMI、Apple、索尼、七鑫易维等。该方法利用了眼动过程中保持相对稳定的一个特征——眼球角膜外表面上的普尔钦斑(Purkinje image),它是由进入瞳孔的光线在角膜外表面上反射(corneal reflection,CR)而产生的一个亮光点(如图11所示)。

图11 | 眼球结构及普尔钦斑
(来源:网络[14],信熹资本重绘)
当眼球旋转时,摄像机传感器上瞳孔中心的位置会发生变化,而在头部稳定的情况下,普尔钦斑的位置相对保持固定(因反射源相对于摄像头不动)。如图12所示,当眼睛由正视转向左右两侧时,瞳孔中心随之移动,普尔钦斑在像素坐标上基本保持不变。
若眼球在空间中完全固定,仅围绕自身中心旋转,则仅通过瞳孔中心的位移即可确定注视方向。这一原理适用于头戴式或基于眼镜的眼动仪,因为眼睛与摄像头之间的相对关系稳定。然而,对于台式或遥测式系统,即使借助下颌托或额托,仍无法避免轻微的头部运动,这种运动会同时改变瞳孔在传感器上的位置。在此情形下,瞳孔与普尔钦斑均会随头部移动而偏移,通过将普尔钦斑位移从瞳孔位移中扣除,从而实现对头部运动的补偿。

图12 | 瞳孔-角膜反射技术原理示意图
(来源:网络[14],信熹资本重绘)
只要实时定位眼睛图像上的瞳孔和普尔钦斑的位置,便能利用几何模型,估算得到用户的视线方向。再基于前期定标过程(即让用户注视电脑屏幕上特定的点)中所建立的用户眼睛特征与电脑屏幕呈现内容之间的关系,就能判断出用户究竟在看屏幕上的什么内容了。
单摄像头单光源的方案在智能眼镜的使用过程中会出现一些问题:1)当用户的头迅速摆动或者眼睛大幅度运动时,智能眼镜与眼睛的相对位置会改变,普尔钦斑在眼睛上的位置也会产生微量位移,因此就注视点位置会产生误差;2)在智能眼镜上眼动追踪系统的光源和摄像头距离眼睛很近,普尔钦斑可能会被眼睑、睫毛等挡住红外摄像头的视线,因而造成计算误差。为了解决上述问题,可以通过2个或多个红外光源打在眼球上面。
2.2 | 眼电图(EOG)
眼电图(electro-oculography, EOG)是一种基于生物电信号的眼动追踪方法。其原理是在眼周放置电极,测量眼球运动时角膜与视网膜之间的电位差,以估算眼球位置(如图13所示)。与VOG不同,EOG不依赖摄像头或图像处理,因此具备更强的隐私保护能力和环境鲁棒性,并能够捕捉包括快速眼跳在内的高速眼动。EOG通常不适用于日常使用场景,主要用于临床医学、神经康复、睡眠监测等专业领域。
EOG的缺点很多,例如眼电信号易受噪声干扰(如电源干扰、皮肤电阻变化);长时间记录会产生电位漂移,需要校准或滤波补偿;因电极贴近皮肤,用户接受度不如非接触方式;用户的眼动与意图不一定等同,需要设计更加智能的算法加以区分;不适用注视点检测。所以,眼电图现在很少采用。

图13 | 基于眼电图(EOG)的眼动追踪技术方案
(来源:文献[12])
2.3 | 巩膜搜索线圈
巩膜搜索线圈(scleral search coil)是一种高精度眼动跟踪方法,其核心原理是将微型感应线圈嵌入特制的硅胶隐形眼镜或环状支架中,并置于巩膜表面(如图14所示)。通过测量线圈在磁场中的感应电流来确定眼睛的位置,这种方法以高角度分辨率和快速响应时间而闻名。
然而,该方法的主要缺陷在于其高侵入性。装置需直接接触眼表,用户舒适度受限,长时间佩戴可能导致眼部干涩、刺激或镜片移位,甚至影响数据稳定性。

图14 | 基于巩膜搜索线圈的眼动追踪技术方案
(来源:文献[13])
2.4 | 其他创新技术
市面上也有大厂或头部公司在尝试一些创新的技术路径,但由于存在一些劣势,所以商业化应用和发展路径都有限。
2.4.1 | 视网膜影像
AR眼镜通过光波导获取视网膜影像的方案如图15所示,通过计算视网膜上的血管、中央凹、视盘、黄斑等生理特征的变化,可以获取眼球运动和注视方向。计算眼球运动向量的算法有很多,也可以将视网膜全部影像计算机获取后储存起来,并将影像一一与眼球注视方向对应,从而根据实时所拍摄到的视网膜图像计算获得注视方向。代表厂家有Magic leap、Lumus、三星。其缺点在于1)个体差异大,眼球光学模型难以统一;2)受限于光照、眼底成像质量、瞳孔大小等,计算稳定性较差,容易出现跳点或丢失。3)可能会有健康威胁。

图15 | 基于视网膜影像的眼动追踪技术方案
(来源:网络[15])
2.4.2 | 重建三维模型
Facebook所公开的眼动追踪技术中,其中提出了一种利用结构光或者光场相机实时对眼球重建为三维模型,通过计算眼球三维模型获取眼球的运动方向,进而实现了眼动追踪。其缺点在于功耗高、成本高。

图16 | 基于重建三维模型的眼动追踪技术方案
(来源:网络[15])
2.4.3 | 视网膜反射光强度
激光透过角膜、瞳孔、晶状体,打在视网膜上,通过检测视网膜反射光强度可以确定眼球运动的方向。该技术来源于美国初创公司Ineye,其原理如图17所示,IR LED/白炽灯照亮指定区域,光电传感器检测选择区域的反射强度,同时配备温度传感器进行温漂补偿,进而建立眼睛位置与PD 检测信号强度之间的多项式映射关系,并通过个体参数标定确定。其优点在于体积小、功耗低、成本低;缺点在于技术方案尚不成熟、精准度仍有待测试。

图17 | 基于视网膜反射光强度的眼动追踪技术方案
(来源:《眼动追踪赋能智能眼镜,助力人机交互体验》 [7])
2.4.4 | 角膜反射光强度(MEMS方案)
该技术主要起源于加拿大初创公司Adhawk,其原理如图18所示,激光器发射红外光,由MEMS振镜实现对眼部区域二维扫描,多个光电二极管(PD)检测经过角膜反射的红外光强度信号,对角膜(强光反射)和瞳孔(弱光反射)特征进行检测。其优点在于体积小、采样频率高、硬件及算法功耗低;缺点在于技术方案及供应链不成熟、稳定性和精准度不足。

图18 | 基于角膜反射光强度(MEMS方案)的眼动追踪技术方案
(来源:网络[15])
三、技术挑战和壁垒
3.1 | 性能参数(精度/准确度/延迟/采样率)
常用的头戴式(HMD)眼动追踪设备的性能参数如图19所示。
在精度方面,要测小幅度的固视性眼动(微震、漂移、微跳)需要极高精度(RMS precision < 0.03°)。当前多数HMD眼动追踪设备的指标远不能稳定满足此类需求。
在准确度方面,大部分厂家的标称在~(通常仅在视野中心小范围内成立),实际使用中精度/准确度往往比标称差,且视野边缘表现明显下降,限制了全FOV的可靠追踪。
在延迟方面,端到端延迟(从眼动发生到系统响应)在已测设备中约45–81ms,而注视点渲染的可忍受范围约50–70ms,超过该区间会出现可觉察滞后,影响沉浸与可用性。
在采样率方面,普遍在200Hz以下,不足以记录微小、快速眼动(采样率应至少为待测眼动速度的两倍)。

图19 | 常用的头戴式眼动追踪设备的性能参数
(来源:文献[9])
3.2 | 校准
眼动追踪的校准过程耗时且重复,成为其广泛应用的障碍,也让需要即时使用的应用缺乏吸引力。
对于儿童或注意力缺陷用户,往往在呈现几个目标后就失去兴趣,导致校准无法完成。为解决这一问题,研究者提出了一些替代方法,例如利用平滑追随眼动动态完成校准,而无需用户明确注视目标。这类方法耗时更少,甚至用户可能没有察觉正在校准,但其缺点是追踪数据质量较低,因此目前尚未在任何基于HMD的眼动追踪系统中得到应用。
完成校准后,光照变化、眼睛几何形态变化以及眼动摄像头与眼睛的相对位置变化都会带来校准误差,其中最主要的原因是头显在佩戴者运动过程中产生的微小位移。这些因素会导致校准随时间衰减,即所谓的“漂移”现象——有研究显示,一些眼动追踪器在校准后仅4分30秒内就出现约30%的漂移。由于校准误差具有动态性,难以完全消除,但可以通过确保头显在校准后保持稳定、不相对移动,以及在长时间使用过程中多次重新校准来降低误差。未来仍需开发更简便、舒适且能有效抵抗漂移的校准方法。
3.3 | 千人千眼
眼球追踪技术的核心难点在于需要深入研究人类眼球的个体差异,正所谓千人千眼。消费级XR设备需要考虑千百万用户中可能出现的不同情况,比如眼睑下垂、化妆品覆盖眼部重要特征、佩戴框架眼镜和隐形眼镜、具有弱势眼或优势眼、以及因不同种族而有的眼部特征差别等各类复杂情况。因此,若想眼动追踪技术可以在消费级设备上实现大面积推广,眼动追踪的人口覆盖率需要达到95%甚至99%。

图20 | 眼动追踪在不同人群覆盖下的准确度误差
(来源:《眼动追踪赋能智能眼镜,助力人机交互体验》 [7])
对眼动追踪技术感兴趣的高校和公司不在少数,做一个基于假想的、理想的眼球模型的演示系统相对容易。但能研发出基于真实人眼数据所构建的复杂数学模型且同时具备高精准度和高可用率的眼球追踪系统和产品的公司,在全世界范围内也屈指可数。
对于数据,一方面高精准度的数据采集需要通过专业的眼动设备进行,而不是普通的摄像头就可获取的。另一方面需要积累大量的边角案例(Corner Case)数据。
四、主要企业及竞争格局
SMI、Eyefluence、Eye Tribe都是从2010年前后开始涉足眼球追踪行业,由于本身技术优越性和行业的发展,分别在2015-2017年期间被Apple、Google、Meta收购。瑞典的Tobii也是在2015年IPO上市,近十二个月的营收9.77亿瑞典克朗(约1.04亿美金)。
IrisBond、AdHwark、七鑫易维、青研科技是目前赛道内较成熟企业,其中海外的IrisBond、AdHwark都是2015年前后成立,主要通过软件服务和硬件开发切入市场,在精度和准确度上有较高的技术壁垒。国内的七鑫易维、青研科技,都是成立的时间较早的眼球追踪技术解决方案商,一直在行业内等待爆发的时机。

图21 | 眼动追踪的主要企业对比
(来源:网络[4])
全球范围内另外一些专注于眼动追踪初创企业如图22所示,从成立时间和地区来看,新成立的眼动追踪初创企业集中在2015年前后,全球范围内欧美日韩均有成立。中国初创企业较少,多为本土互联网及消费电子大厂布局研发。
从产品和商业模式来看,初创企业利用其技术优势,商业模式以提供软件或软硬件一体解决方案为主,应用场景集中在XR、医疗、工业、科研等领域,当前的发展进程还是科研居多。
融资进程上,近6年融资频率较高且集中在2016-2018年,融资单笔金额不大且多为产业方或硬件大厂进行技术积累布局。由于其商业化场景及市场需求有限,且技术上尚无特别突破,因此资本市场目前还是观望的状态。

图22 | 眼动追踪的其他一些初创企业
(来源:网络[4])
中国做XR/AI眼镜的大厂一方面会与第三方眼动追踪方案商合作,另一方面也会进行自研。例如歌尔股份2025年7月在首届创新大会上推出高精度眼动追踪的AR智能眼镜,如图23所示,该产品采用超薄碳纤维框架和超轻钛合金铰链,总重仅有36克,是行业内最轻的AR眼镜,双相机多光源方案+先进眼动算法,实现全眼域眼动追踪,平均准确度可达,算法响应延迟小于3ms。

图23 | 歌尔股份眼动追踪解决方案
(来源:《眼动追踪赋能智能眼镜,助力人机交互体验》 [7])
五、总结
眼动追踪技术前些年的应用领域主要集中在研究领域,市场空间有限。当前XR/AI眼镜行业处于爆发期,且眼动追踪有望实现加速渗透,助推用户体验升级。例如,VR眼镜8K显示分辨率需要注视点渲染功能提高帧率、降低能耗;AI/AR眼镜通过让大模型直接分析眼睛注视点的内容,显著提升设备的交互效率和准确性,同时降低延迟和功耗。
眼动追踪赛道在经历过2015-2017年收购、上市热潮后,已形成一定的行业格局。随着眼动追踪技术突破、行业下游应用的发展,有眼动追踪算法模型突破、眼部特征数据平台或商业化落地综合解决方案的初创项目仍有一定发展空间。
参考资料:
[1] Eye Tracking Through History. | https://medium.com/@eyesee/eye-tracking-through-history-b2e5c7029443
[2] 追踪人类的眼球运动,可以用来干什么? | https://m.thepaper.cn/newsDetail_forward_29136338
[3] 眼动追踪交互:30年回顾与展望 | https://zhuanlan.zhihu.com/p/651679323
[4] 科技创新:被人忽视的“眼动追踪”赛道,会不会变成“香饽饽”? | https://www.pnpchina.com/resources/PNP20230215
[5] 《2024年度眼动研究报告》 Tobii
[6] 一文读懂眼动追踪技术及应用 | https://www.sohu.com/a/305855778_524624
[7] 《眼动追踪赋能智能眼镜,助力人机交互体验》 华西证券 2025
[8] Duchowski, A. T. (2018). Gaze-based interaction: A 30 year retrospective. Computers & Graphics, 73, 59-69.
[9] Adhanom, I. B., MacNeilage, P., & Folmer, E. (2023). Eye Tracking in virtual reality: A broad review of applications and challenges. Virtual Reality, 1-25.
[10] 比亚迪发布革命性眼动跟踪HUD技术:视线操控重塑智能驾驶安全 | https://www.dongchedi.com/article/7475548663654285878
[11] 苟超等, 眼动追踪研究进展与展望. 自动化学报, 2022.
[12] 秦豆豆等, 基于嵌入式系统的眼动跟踪技术研究进展. 软件工程与应用, 2025.
[13] 石建军等,眼动追踪技术研究进展. 光学仪器, 2019.
[14] 【第四十周】眼动追踪基础 | https://blog.csdn.net/m0_59510256/article/details/148670705
[15] AR/VR行业兵家必争之地(下)-眼动追踪技术大全 | https://zhuanlan.zhihu.com/p/92369246
END
延伸阅读
信熹洞见 · 研究
信熹对话
信熹伙伴
北外滩科创会客厅




